Avaliação de um Algoritmo de Otimização por Doença Coronavírus modificado para Estimação de Parâmetros de Células a Combustível de Membrana de Troca de Prótons

Energia mais inteligente para um futuro mais limpo

Enquanto o mundo busca formas mais limpas de alimentar carros, lares e dispositivos, as células a combustível se destacam por converter hidrogênio em eletricidade com pouco ruído e quase nenhuma poluição local. Mas aproveitar ao máximo esses aparelhos exige conhecer um conjunto de parâmetros ocultos dentro de cada célula. Este estudo apresenta um novo método de busca inteligente que consegue descobrir esses parâmetros ocultos com mais precisão e rapidez, ajudando engenheiros a projetar sistemas mais eficientes e abrindo caminho para gêmeos digitais e controle aprimorado de veículos movidos a células a combustível.

Por que as células a combustível precisam de ajuste cuidadoso

As células a combustível de membrana de troca de prótons, ou células PEM, são promissoras para aplicações que vão de usinas estacionárias a laptops e carros elétricos. No interior de cada célula, reações químicas, calor, água e eletricidade interagem de formas complexas. Fabricantes raramente publicam todos os parâmetros detalhados que descrevem esse comportamento, como a rapidez de início das reações, quanta tensão se perde na membrana ou como os gases se difundem pela célula. Ainda assim, esses números são vitais para prever como a célula se comportará sob diferentes cargas e temperaturas, detectar falhas cedo e projetar controladores que mantenham o sistema eficiente e seguro. Encontrá-los significa ajustar um modelo repetidas vezes até que sua curva tensão-corrente corresponda às medições reais o mais próximo possível.

Busca inspirada na natureza para respostas melhores

Como o espaço de busca para esses parâmetros ocultos é grande e sinuoso, pesquisadores frequentemente recorrem a algoritmos metaheurísticos, que imitam processos naturais como enxames de animais, caça de predadores ou fenômenos físicos como formação de gelo. Nos últimos anos, muitos desses métodos foram testados em modelos de células a combustível, incluindo variantes de evolução diferencial, otimizadores inspirados em morsas e coelhos, esquemas de colônia de formigas e até aprendizado por reforço. Essas abordagens buscam minimizar a discrepância entre tensões medidas e simuladas, geralmente expressa como soma dos erros quadráticos. Embora várias possam alcançar boas soluções, elas costumam ter dificuldade em equilibrar ampla exploração de possibilidades com aperfeiçoamento focalizado, correndo o risco de progresso lento ou de ficarem presas em ótimos locais.

Uma reviravolta baseada em memória sobre um método inspirado em vírus

Os autores partem de um algoritmo recente chamado Coronavirus Disease Optimization Algorithm, que imita como um vírus entra em células, se replica e mutaciona. Em sua forma original, esse método explora bem, mas tende a vagar sem forte orientação pelas melhores soluções encontradas até então. A nova versão, chamada COVIDOA baseada em memória, adiciona duas ideias. Primeiro, mantém uma memória de candidatos de elite e permite que eles guiem o restante da população, deslocando-se gradualmente de uma exploração ampla no início para um ajuste fino ao redor das soluções mais fortes mais tarde. Segundo, introduz uma estratégia de exploração aleatória que pode sacudir o sistema quando todos os candidatos começam a ficar muito semelhantes. Juntas, essas mudanças visam melhorar tanto a velocidade quanto a precisão, preservando a diversidade na busca.

Como o novo método performa

Antes de enfrentar células a combustível, a equipe testou o algoritmo baseado em memória em um conjunto padrão de 12 desafios matemáticos difíceis, comparando-o com o COVIDOA original e quatro outros otimizadores populares. Na maioria desses testes, o novo método entregou valores objetivo mais baixos, variação menor entre execuções e convergência mais rápida. Verificações estatísticas confirmaram que essas melhorias não ocorreram por acaso. Os pesquisadores então aplicaram o método a um empilhamento real de células PEM conhecido como NedStack PS6, onde seis parâmetros-chave de um modelo semiempírico amplamente usado precisaram ser identificados dentro de limites realistas. O objetivo foi ajustar uma curva tensão-corrente medida minimizando a soma dos erros quadráticos entre tensões previstas e observadas ao longo de 30 execuções independentes para cada algoritmo.

Resultados com dados reais de células a combustível

Nos dados do NedStack PS6, o método baseado em memória alcançou o menor valor de erro, ligeiramente melhor que as melhores abordagens concorrentes, e o fez com menor dispersão entre execuções. Seus parâmetros ajustados produziram previsões de tensão que acompanharam de perto os valores medidos em uma ampla faixa de correntes. Gráficos de convergência mostraram que, embora outros algoritmos pudessem eventualmente se aproximar de boas soluções, o novo método tipicamente se estabeleceu em uma região de alta qualidade mais cedo, o que é importante para aplicações em tempo real ou embarcadas com poder de computação limitado. Boxplots e curvas de robustez reforçaram esse quadro, revelando maior confiabilidade e comportamento mais consistente de execução para execução em comparação com os outros métodos inspirados em enxames e vírus.

O que isso significa para sistemas de energia limpa

Em termos simples, o estudo mostra que uma versão mais inteligente e com memória de uma estratégia de busca inspirada em vírus pode determinar os parâmetros ocultos de um modelo de célula a combustível com mais precisão e confiabilidade do que vários concorrentes estabelecidos. Com modelos melhores em mãos, engenheiros podem construir gêmeos digitais que reproduzem células a combustível reais em software, permitindo testar novas estratégias de controle, prever desempenho e identificar problemas sem arriscar o hardware. Embora este trabalho tenha se concentrado em um empilhamento específico de células, a abordagem é geral e pode ser aplicada a outros dispositivos de energia limpa e sistemas complexos onde parâmetros importantes são difíceis de medir diretamente.

Citação: Ismaeel, A.A.K., El-Rifaie, A.M., Hashim, F.A. et al. Assessment of a modified Coronavirus Disease Optimization Algorithm for Parameter Estimation of Proton Exchange Membrane Fuel Cells. Sci Rep 16, 15988 (2026). https://doi.org/10.1038/s41598-026-52533-4

Palavras-chave: célula a combustível de membrana de troca de prótons, estimação de parâmetros, otimização metaheurística, gêmeo digital, sistemas de energia limpa